论宏基因组分析结果受数据库变化的影响

这里我们利用经常使用的RefSeq作为案例，揭示数据库对宏基因组研究结果的影响程度。

     NCBI参考序列数据库RefSeq具有生物意义上的非冗余基因，转录本和蛋白质序列，其经过NCBI和其他组织校正，与GenBank数据库相比，主要区别在于：GenBank是一个开放的数据库，对每个基因都含有许多序列。很多研究者或者公司都可以自己提交序列，另外这个数据库每天都要和EMBL和DDBJ交换数据。GenBank的数据可能重复或者不准。而RefSeq数据库是NCBI提供的校正的序列数据和相关的信息，属于非冗余数据库，可信度比较高。

数据库概况——

1. 物种基因组增长非常快，NGS平台普及后有一轮爆发，三代测序性价比提升后近期又有一波持续性的爆发

2. 虽然数量增加很快，但是新属、新科的增加并不显著，如果有新门——nature系列向你招手啦。说明寻找特有的、新颖的物种并不容易！

Reads注释精准度研究

1. V60以后，在属水平上面的物种注水差异极小

2. 不同版本中，种水平差异极大，可靠程度堪忧

3. 随着数据库中基因组序列的增加，能鉴定到“属”水平的Reads比例增加，符合预期；但是注释到“种”水平的Reads比例降低。该结果主要是因为Reads注释的软件原理造成，即当同属不同种的基因组不断增加后，属之间的分辨率提升，而种之间由于序列数量的不断增加，特异性序列含量不断降低，导致软件在中水平的精度反而下降。

实际数据——

测试1：RefSeq中现有基因组的菌株VD118，其Reads注释在不同版本数据库中的结果。可以看到V60后，注释结果即使在种水平也非常精准

测试2：新菌ISSFR-23F菌株，在属水平结果与预期一致，但是在种水平误差非常大，无法满足研究需要。

结论：

1. 千万注意分析的数据库版本，不同版本差异非常大

2. 如果使用Reads进行物种注释，尽量在属或者更大分类学地位上进行数据分析

参考文献：

1.RefSeq database growth influences the accuracy of k-mer-based lowest common ancestor species identification. Genome Biology,2018.

2. Overview of Virus Metagenomic Classification Methods and Their Biologycal Applications. frontiers in Microbiology, 2018.